除了 SVM，還有哪些算法需要特徵縮放？

我正在使用許多算法：RandomForest、DecisionTrees、NaiveBayes、SVM（內核=線性和 rbf）、KNN、LDA 和 XGBoost。除了 SVM 之外，它們都非常快。那時我才知道它需要功能擴展才能更快地工作。然後我開始想我是否應該對其他算法做同樣的事情。

通常，利用數據樣本之間的距離或相似性（例如以標量積的形式）的算法，例如 k-NN 和 SVM，對特徵轉換很敏感。

基於圖形模型的分類器，例如 Fisher LDA 或樸素貝葉斯，以及決策樹和基於樹的集成方法（RF、XGB）對於特徵縮放是不變的，但重新縮放/標準化您的數據。

引用自：https://stats.stackexchange.com/questions/244507